論文の概要: A new automatic approach to seed image analysis: From acquisition to segmentation

• arxiv url: http://arxiv.org/abs/2012.06414v1
• Date: Fri, 11 Dec 2020 15:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 02:59:15.605691
• Title: A new automatic approach to seed image analysis: From acquisition to segmentation
• Title（参考訳）: シード画像解析への新しい自動アプローチ:獲得からセグメンテーションへ
• Authors: A.M.P.G. Vale, M. Ucchesu, C. Di Ruberto, A. Loddo, J.M. Soares, G.Bacchetta
• Abstract要約: 本稿では,シードサンプルの画像の自動分割のための新しいオープンソースプラグインを提案する。 新しいプラグインはfabaceaeファミリーに属する120種の合計3,386種の種子サンプルでテストされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image Analysis offers a new tool for classifying vascular plant species based on the morphological and colorimetric features of the seeds, and has made significant contributions in systematic studies. However, in order to extract the morphological and colorimetric features, it is necessary to segment the image containing the samples to be analysed. This stage represents one of the most challenging steps in image processing, as it is difficult to separate uniform and homogeneous objects from the background. In this paper, we present a new, open source plugin for the automatic segmentation of an image of a seed sample. This plugin was written in Java to allow it to work with ImageJ open source software. The new plugin was tested on a total of 3,386 seed samples from 120 species belonging to the Fabaceae family. Digital images were acquired using a flatbed scanner. In order to test the efficacy of this approach in terms of identifying the edges of objects and separating them from the background, each sample was scanned using four different hues of blue for the background, and a total of 480 digital images were elaborated. The performance of the new plugin was compared with a method based on double image acquisition (with a black and white background) using the same seed samples, in which images were manually segmented using the Core ImageJ plugin. The results showed that the new plugin was able to segment all of the digital images without generating any object detection errors. In addition, the new plugin was able to segment images within an average of 0.02 s, while the average time for execution with the manual method was 63 s. This new open source plugin is proven to be able to work on a single image, and to be highly efficient in terms of time and segmentation when working with large numbers of images and a wide diversity of shapes.
• Abstract（参考訳）: 画像解析は、種子の形態的および色彩的特徴に基づいて血管植物の種を分類するための新しいツールを提供し、系統研究に重要な貢献をした。 しかし, 形態的, 色彩的特徴を抽出するためには, 分析対象の試料を含む画像を分割する必要がある。 この段階は画像処理において最も難しいステップの1つであり、一様および均質なオブジェクトを背景から分離することは困難である。 本稿では,シードサンプルの画像の自動セグメンテーションのための新しいオープンソースプラグインを提案する。 このプラグインは、ImageJオープンソースソフトウェアと連携できるようにJavaで書かれています。 新しいプラグインはfabaceaeファミリーに属する120種の合計3,386種の種子サンプルでテストされた。 デジタル画像はフラットベッドスキャナーで取得された。 対象物のエッジを識別し,背景から分離する手法として,本手法の有効性を検証するため,各試料を背景に4種類の青色でスキャンし,合計480枚のデジタル画像を精査した。 新しいプラグインのパフォーマンスは、同じシードサンプルを使用して、イメージをcore imagejプラグインを使って手動でセグメンテーションしたダブルイメージ取得(黒と白の背景を持つ)に基づく方法と比較された。 その結果、新しいプラグインはオブジェクト検出エラーを発生させることなく、すべてのデジタルイメージを分割することができた。 さらに、新しいプラグインは、平均0.02 s以内にイメージをセグメンテーションすることができたが、マニュアルメソッドでの実行平均時間は63 sであった。この新しいオープンソースプラグインは、1つのイメージで作業できることが証明されており、大量の画像と幅広い形状を扱う場合、時間とセグメンテーションの観点から非常に効率的である。

関連論文リスト

• Parallax-tolerant Image Stitching via Segmentation-guided Multi-homography Warping [14.098118907921947]
  画像セグメンテーションによって導かれるマルチホモグラフィーワープを用いた新しい画像縫合法を提案する。 提案手法は,最先端の手法と比較して,大きなマージンで最適アライメント精度を提供する。
  論文  参考訳（メタデータ） (2024-06-28T13:51:59Z)
• A new dataset for measuring the performance of blood vessel segmentation methods under distribution shifts [0.0]
  VessMAPは、より大きな非注釈データセットから関連画像を慎重にサンプリングして取得した異種血管セグメンテーションデータセットである。 ベースデータセットから原型と非典型の両方を選択する手法を開発した。 新しいデータセットの可能性を示すために、ニューラルネットワークの検証性能は、ネットワークのトレーニングに使用する分割によって大きく変化することを示す。
  論文  参考訳（メタデータ） (2023-01-11T15:31:15Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• CropMix: Sampling a Rich Input Distribution via Multi-Scale Cropping [97.05377757299672]
  そこで本研究では,元のデータセット分布からリッチな入力分布を生成するための簡単なCropMixを提案する。 CropMixは、分類タスクを実行するトレーニングレシピやニューラルネットワークアーキテクチャにシームレスに適用することができる。 CropMixは、より強力な表現に向けて、対照的な学習とマスクされた画像モデリングの両方に利益があることを示す。
  論文  参考訳（メタデータ） (2022-05-31T16:57:28Z)
• Sample selection for efficient image annotation [14.695979686066066]
  監視対象検出は、人間レベルのパフォーマンスを達成する多くのベンチマークデータセットで成功したことが証明されている。 ラベルなしデータセットから最も有益な画像をサンプリングする効率的な画像選択手法を提案する。 本手法は,完全な手動ラベリング設定と比較して,手動アノテーション作業の最大80%を削減でき,ランダムサンプリングよりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-10T21:25:10Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Rethinking Interactive Image Segmentation: Feature Space Annotation [68.8204255655161]
  本稿では,特徴空間投影による複数画像からの対話的・同時セグメントアノテーションを提案する。 本手法は,前景セグメンテーションデータセットにおける最先端手法の精度を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-01-12T10:13:35Z)
• Automatic Radish Wilt Detection Using Image Processing Based Techniques and Machine Learning Algorithm [3.4392739159262145]
  本研究では,ラディッシュ作物のフッ化物検出のためのセグメンテーション法と抽出法を提案する。 最近のワイト検出アルゴリズムは、画像処理技術または従来の機械学習アルゴリズムに基づいている。 提案手法は,画像処理と機械学習を組み合わせたハイブリッドアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2020-09-01T01:37:01Z)
• StegColNet: Steganalysis based on an ensemble colorspace approach [22.732023268348787]
  画像ステガノグラフィー(英: Image steganography)とは、画像中に情報を隠蔽する過程のこと。 我々は、アンサンブルカラー空間モデルを用いて重み付けされた特徴活性化マップを得るステガナリシス手法を提案する。 次に、これらの機能を使用して、イメージを2つのクラスのうちの1つに分類します。
  論文  参考訳（メタデータ） (2020-02-06T17:44:25Z)
• OneGAN: Simultaneous Unsupervised Learning of Conditional Image Generation, Foreground Segmentation, and Fine-Grained Clustering [100.32273175423146]
  本研究では、教師なしの方法で、条件付き画像生成装置、前景抽出とセグメンテーション、オブジェクトの削除と背景補完を同時に学習する方法を提案する。 Geneversarative Adrial Network と Variational Auto-Encoder を組み合わせることで、複数のエンコーダ、ジェネレータ、ディスクリミネータを組み合わせ、全てのタスクを一度に解くことができる。
  論文  参考訳（メタデータ） (2019-12-31T18:15:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。